基于空谱一体化二值编码的超像素级高光谱遥感影像分类研究

Hyperspectral imaging is a profound revolution in detection and imaging technology, which also brings in revolutionary changes in signal and information processing methods. It is a great challenge that how to make full use of the rich spectral and spatial information provided by the hyperspectral imagery to achieve high accurate, high generalization ability and high efficient classification. Multi-dimensional binary encoding and superpixel segmentation are the emerging theory in the information processing and machine learning fields, which are consistent with the processing form and generative mechanism of the hyperspectral imaging data, thus they can be used to characterize the complex structural relationships among the internal spectrum, texture, topology, geometry features of hyperspectral imagery. In this project, based on the investigation of pattern construction and statistical analysis of multi-dimensional binary encoding, the spatial-spectral-integrated feature expression mechanism of hyperspectral imagery is examined, and the unified description and treatment process of the internal structure of hyperspectral imagery is established. Further, through combining the spatial information of ground object obtained by superpixel segmentation, the superpixel segmentation-based spatial-spectral-joint feature extraction, multi-classifier ensemble, multi-task collaborative classification algorithms are developed. The systematic methods of feature mining, code computing and decision fusing of hyperspectral imagery classification can then be formulated, which can not only provide new theory and tools for hyperspectral imaging data processing, but also provide experience and references to the data processing of other physical systems.

高光谱成像是探测与成像技术的一场深刻革命，同时也带来了信号与信息处理方法的变革，如何充分利用高光谱影像提供的丰富光谱和空间数据信息，实现高光谱遥感影像高精度、高泛化能力、高效率的分类，是我们面临的巨大挑战。多维二值编码和超像素分割是信息处理和机器学习领域的新兴理论，和高光谱成像信息的数据处理形式和生成机制具有一致性，能够用于表征高光谱影像内在的光谱、纹理、拓扑、几何等特性之间的复杂结构关系。本项目在探讨多维二值编码的模式构建及统计分析机制基础上，研究高光谱影像空谱一体化特征的表达机理，建立高光谱成像数据内在结构的统一描述和处理方式；进一步融合超像素分割获得的地物对象空间信息，设计基于超像素分割的空谱联合特征提取、多分类器集成、多任务协同分类算法，形成高光谱遥感影像分类的特征挖掘、编码计算和决策融合的系统方法，为高光谱成像数据处理提供新的理论和工具，并为其它物理系统的数据处理提供借鉴和参照。

高光谱成像是探测和成像技术的一场深刻革命，同时也带来了信号与信息处理方法的变革。多维二值编码和超像素分割是信息处理和机器学习领域的新兴理论，和高光谱成像信息的数据处理形式和生成机制具有一致性，能够用于表征高光谱影像内在的光谱、纹理、拓扑、几何等特性之间的复杂结构关系。本项目研究高光谱影像空谱一体化特征的表达机理，建立高光谱成像数据内在结构的统一描述和处理方式；进一步融合超像素分割获得的地物对象空间信息，设计基于超像素分割的空谱联合特征提取、多分类器集成、多任务协同分类算法，形成高光谱遥感影像分类的特征挖掘、编码计算和决策融合的系统方法，为高光谱成像数据处理提供新的理论和工具。本项目取得的成果包括：1）研究高光谱遥感影像的超像素分割问题，提出融合全波段信息的超像素分割、基于图结构的超像素分割模型等算法；2）研究面向高光谱遥感影像的空谱联合特征挖掘方法，提出基于超像素的特征选择、基于三维Gabor小波的特征挖掘等算法；3）研究空谱一体化的多维二值编码模型，提出旋转不变的三维LBP编码模型、噪声抑制的三维LBP编码模型、基于Gabor幅值特征的多尺度三维LBP编码模型、基于Gabor相位特征的象限二值编码模型等算法；4）研究基于高光谱遥感影像多维二值编码模型的超像素级分类策略，把数据的超像素分割和多维二值编码置于统一的分类框架中，提出基于超像素的标签传播分类、基于超像素的多分类器集成、基于多维二值编码的高光谱影像分类等算法。项目组在遥感和高光谱成像领域的顶级国际学术刊物和重要国际会议上发表相关论文30余篇，在高光谱影像信息处理领域具有一定的国际学术影响力。